安装 Docker：从 Docker 官网 下载并安装。
部署 Ollama：
docker run -d-p11434:11434 --name ollama --restart always ollama/ollama:latest
进入容器并下载 qwen2.5:0.5b 模型：
dockerexec-it ollama bash
ollama pull qwen2.5:0.5b
在开始之前，请确保您已安装 requests 模块。可以通过以下命令安装：
pip install requests
我们还将初始化基本的 API 相关配置，如下所示：
import requests
# 基础初始化设置
base_url ="http://localhost:11434/api"
headers ={"Content-Type":"application/json"}
/generatePOSTmodel（必填）：模型名称，用于指定生成模型，例如 qwen2.5:0.5b。prompt（必填）：生成文本所用的提示词。suffix（可选）：生成的补全文本之后附加的文本。stream（可选）：是否流式传输响应，默认 true，设置为 false 时返回完整文本。system（可选）：覆盖模型系统信息的字段，影响生成文本风格。temperature（可选）：控制文本生成的随机性，默认值为 1。defgenerate_completion(prompt, model="qwen2.5:0.5b"):
url =f"{base_url}/generate"
data ={"model": model,"prompt": prompt,"stream":False}
response = requests.post(url, headers=headers, json=data)return response.json().get('response','')# 示例调用
completion = generate_completion("介绍一下人工智能。")print("生成文本补全:", completion)
/generatePOSTmodel（必填）：模型名称。prompt（必填）：生成文本所用的提示词。stream（必填）：设置为 true，启用流式传输。defgenerate_completion_stream(prompt, model="qwen2.5:0.5b"):
url =f"{base_url}/generate"
data ={"model": model,"prompt": prompt,"stream":True}
response = requests.post(url, headers=headers, json=data, stream=True)
result =""for line in response.iter_lines():if line:
result += line.decode('utf-8')return result
# 示例调用
stream_completion = generate_completion_stream("讲解机器学习的应用。")print("流式生成文本补全:", stream_completion)
/chatPOSTmodel（必填）：模型名称。messages（必填）：对话的消息列表，按顺序包含历史对话，每条消息包含 role 和 content。
role: user（用户）、assistant（助手）或 system（系统）。content: 消息内容。stream（可选）：是否流式传输响应，默认 true。defgenerate_chat_completion(messages, model="qwen2.5:0.5b"):
url =f"{base_url}/chat"
data ={"model": model,"messages": messages,"stream":False}
response = requests.post(url, headers=headers, json=data)return response.json().get('message',{}).get('content','')# 示例调用
messages =[{"role":"user","content":"什么是自然语言处理？"},{"role":"assistant","content":"自然语言处理是人工智能的一个领域，专注于人与计算机之间的自然语言交互。"}]
chat_response = generate_chat_completion(messages)print("生成对话补全:", chat_response)
/embedPOSTmodel（必填）：生成嵌入的模型名称。input（必填）：文本或文本列表，用于生成嵌入。truncate（可选）：是否在文本超出上下文长度时进行截断，默认 true。stream（可选）：是否流式传输响应，默认 true。defgenerate_embeddings(text, model="qwen2.5:0.5b"):
url =f"{base_url}/embed"
data ={"model": model,"input": text
}
response = requests.post(url, headers=headers, json=data)return response.json()# 示例调用
embeddings = generate_embeddings("什么是深度学习？")print("生成文本嵌入:", embeddings)
/tagsGETdeflist_local_models():
url =f"{base_url}/tags"
response = requests.get(url, headers=headers)return response.json().get('models',[])# 示例调用
local_models = list_local_models()print("列出本地模型:", local_models)
/showPOSTname（必填）：需要查看信息的模型名称。verbose（可选）：设置为 true 时返回更详细的信息。defshow_model_info(model="qwen2.5:0.5b"):
url =f"{base_url}/show"
data ={"name": model}
response = requests.post(url, headers=headers, json=data)return response.json()# 示例调用
model_info = show_model_info()print("模型信息:", model_info)
/createModelfile 创建一个新模型，可以在已有模型的基础上定制。POSTname（必填）：新创建的模型名称。modelfile（可选）：模型文件的内容，定义模型的基础信息。stream（可选）：是否流式传输响应。defcreate_model(model_name="qwen2.5_custom", base_model="qwen2.5:0.5b"):
url =f"{base_url}/create"
data ={"name": model_name,"modelfile":f"FROM {base_model}\nSYSTEM You are a helpful assistant."}
response = requests.post(url, headers=headers, json=data)return response.json()# 示例调用
create_response = create_model()print("创建模型:", create_response)
/api/pullPOSTname（必填）：要拉取的模型名称。insecure（可选）：允许与库建立不安全的连接，仅在开发过程中从自己的库中提取时使用。stream（可选）：如果为 false，响应将作为单个响应对象返回，而不是对象流。defpull_model(model_name="qwen2.5:0.5b"):
url =f"{base_url}/api/pull"
data ={"name": model_name}
response = requests.post(url, headers=headers, json=data)return response.json()# 示例调用
pull_response = pull_model()print("拉取模型:", pull_response)
/deleteDELETEname（必填）：需要删除的模型名称。defdelete_model(model_name="qwen2.5_custom"):
url =f"{base_url}/delete"
data ={"name": model_name}
response = requests.delete(url, headers=headers, json=data)return response.json()# 示例调用
delete_response = delete_model()print("删除模型:", delete_response)
提示：请勿发布广告垃圾评论，否则封号处理！！